Busca avançada
Ano de início
Entree

Explorando dois grandes levantamentos astrofísicos: WEAVE-QSO e J-PAS

Processo: 22/03426-8
Modalidade de apoio:Auxílio à Pesquisa - Regular
Data de Início da vigência: 01 de março de 2023
Data de Término da vigência: 28 de fevereiro de 2027
Área do conhecimento:Ciências Exatas e da Terra - Astronomia - Astrofísica Extragaláctica
Acordo de Cooperação: ANR
Pesquisador responsável:Luis Raul Weber Abramo
Beneficiário:Luis Raul Weber Abramo
Pesquisador Responsável no exterior: Matthew Pieri
Instituição Parceira no exterior: Laboratoire d’Astrophysique de Marseille (LAM), França
Instituição Sede: Instituto de Física (IF). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Pesquisadores associados:Carolina Queiroz de Abreu Silva ; Laerte Sodré Junior ; Natália Villa Nova Rodrigues ; Nina Sumiko Tomita Hirata
Auxílio(s) vinculado(s):23/05082-7 - Combinando o LSST com levantamentos em bandas estreitas usando Machine Learning: cosmologia com quasares e aplicações com múltiplos traçadores, AP.R
Assunto(s):Cosmologia (astronomia)  Quasares  Formação de estruturas  Formação e evolução da galáxia 
Palavra(s)-Chave do Pesquisador:Formação de Estruturas no Universo | levantamentos de galáxias | quasares | Cosmologia

Resumo

WEAVE-QSO e J-PAS são dois grandes levantamentos astrofísicos que estarão ativos de 2022 até 2029, a partir de dois importantes observatórios, apoiados por duas colaborações internacionais: WEAVE-QSO (Européia) e J-PAS (Brasileira e Espanhola, principalmente). Esses dois levantamentos estabeleceram uma parceria com um objetivo comum: estudar cosmologia e evolução de galáxias na primeira metade da história do universo, usando dados de qualidade e em quantidades sem precedentes. O J-PAS faz isso por meio do imageamento em 56 cores, enquanto o WEAVE-QSO vai observar os seus objetos usando espectroscopia. A exploração desses dados representa uma variedade de desafios e oportunidades que vamos atacar usando uma variedade de ferramentas, em particular métodos de aprendizado de máquina (machine learning). Em alguns casos, os primeiros passos já foram tomados e temos resultados preliminares, enquanto em outros casos os projetos ainda estão em suas fases iniciais.Os líderes desses levantamentos propõe combinar as expertises dos parceiros e combinar métodos inovadores para uma exploração completa desse nosso imenso conjunto de dados. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
PEREZ-RAFOLS, IGNASI; RAUL ABRAMO, LUIS; MARTINEZ-SOLAECHE, GINES; PIERI, MATTHEW M.; QUEIROZ, CAROLINA; RODRIGUES, NATALIA V. N.; BONOLI, SILVIA; CHAVES-MONTERO, JONAS; MORRISON, SEAN S.; ALCANIZ, JAILSON; et al. The miniJPAS survey quasar selection IV. Classification and redshift estimation with SQUEzE. Astronomy & Astrophysics, v. 678, p. 22-pg., . (22/03426-8, 11/51680-6)